基于CNN-LSTM-AM的短时交通流量预测

短时交通流量预测对于提高实时交通数据信息的精准性及增加车辆道路行驶的效益性具有重要意义。为能准确预测未来短期交通流量情况,支持智能交通系统的应用和决策,提出一种基于CNN-LSTM-AM的短时交通流量预测模型。首先利用卷积神经网络(convolutional neural network,CNN)来对交通流序列进行信息捕捉,从而提取交通流数据的动态变化特征;其次将所提取的特征向量构成时间序列作为长短期记忆(long short-term memory,LSTM)网络的输入;最后根据注意力机制(attention mechanism,AM)来分配LSTM隐含层不同权重,增强重要特征的作用,完成交通流量预测。采用美国加利福尼亚州高速路网数据库PeMS里面的相关数据信息,通过实验与其他神经网络预测模型进行对比,结果显示,CNN-LSTM-AM模型的相对平均误差(mean absolute percentage error,MAPE)值为0.254578%,R^(2)=0.583152,预测能力优于其他对比模型。其所用方法可以对未来短时交通流量预测提供一种思路模型。

考虑时空相关性的网络交通流短期预测

实时、准确的交通流短期预测是交通诱导、管理的前提.为了提高预测精度,结合交通流数据中的历史时间相关性与网络空间断面相关性,构建了一种基于皮尔森相关系数法(Pearson Correlation Coefficient,PCC)与双向长短时记忆(Bidirectional Long Short Term Memory,BLSTM)架构的交通流短时预测模型.该模型可以通过PCC筛选路网中与目标路段空间相关的路段,并将其重构为新数据集,作为BLSTM预测模型的输入,以实现交通流短期预测.通过美国加州交通流数据对模型预测性能进行评价,实验结果表明:该模型可以融合交通流数据中的时空相关性,相对于其他主流预测模型精度平均可提高4.83%.

基于GPS轨迹数据的货车交通流量需求预测循环神经网络模型

动力性差、尺寸大是货车影响道路交通流运行效率的重要原因,为提高货车运行效率,对快速路货车流量预测问题进行研究.基于货车GPS轨迹数据,构建长短时循环神经网络(Long Short Term Memory,LSTM),门控神经单元(Gated Recurrent Unit,GRU),双向长短时记忆网络(Bidirectional Long Short Term Memory,Bi-LSTM)和双向门控神经单元(Bidirectional Gated Recurrent Unit,Bi-GRU)四种货车交通流量需求预测循环神经网络模型.研究结果表明:货车交通流量需求预测循环神经网络模型对货车交通流量具有很好的预测能力,平均预测精度为91.55%,较ARIMA高出10.45%;GRU模型对整体货车流量序列预测精度最高;低峰时段平均预测精度高于高峰时段,LSTM在波动较强的高峰时段预测精度最高,为96.83%;Bi-GRU在低峰时段的预测精度最高,为97.66%.研究成果将为政策制定者选用合适的循环神经网络模型,精准预测货车流量,提高货车交通运行效率提供理论和技术支持.

熵权CRITIC-TOPSIS模型在安徽省道路交通安全评价的应用

为科学评价安徽省16个地级市的道路交通安全状况,划分经济型事故、人车类事故和风险因素指标,选取亿元GDP死亡率、每起事故损失折款数、万车事故率、每起事故死亡人数、万车死亡率、百公里道路死亡率、千万人公里周转量死亡率、万人事故死亡率、不良天气天数9个指标构建安徽省道路交通安全评价体系,运用熵权CRITIC-TOPSIS组合模型对其进行道路交通安全评价。得出结果,安徽省各地市道路交通安全状况与亿元GDP死亡率、万人事故死亡率等数据有较大关联,各地市的道路交通安全状况有所差异。

都市圈通勤出行行为特性分析与建模

为研究都市圈范围内通勤出行的交通方式选择行为,分析出行特性,揭示个体属性、家庭属性及出行属性对方式选择的影响,本文建立都市圈通勤出行Nested Logit模型,对北京都市圈内廊坊市"北三县"的4385个进京通勤者的出行方式选择机理进行研究.结果表明,出行方式的费用、出行时间及换乘次数均对通勤者出行方式选择产生显著影响.为验证模型的有效性,提出两种政策改善方案,分析各方案下出行方式划分率变化情况,数据显示综合改善效果下小汽车的出行方式比例下降2.46%,公交与地铁的出行比例分别提高1.73%和0.75%,表明方案对交通方式分担率改善效果明显.

“点、线、面一体化”的区域慢行交通线网规划方法

提出了一种基于“点、线、面一体化”的区域慢行交通线网规划方法.首先,综合考虑了节点的区位因素、网络结构以及路网通达性三方面因素,在应用度中心性、中介中心性、紧密中心性节点重要度的基础上,建立了集计中心性节点重要度模型.其次,基于网络节点重要度模型得到的各个节点的重要度,提出适用于慢行交通线网的布局规划算法,主要包括权值矩阵的确立方法以及最短路启发式算法,实现“点、线、面一体化”的区域慢行交通线网布局规划.最后以深圳市福田区福田街道老城区为例进行非机动车道线网规划,并以网络连接度与非直线系数作为评价指标对规划方案进行评价,通过对比分析评价结果,最终选择基于度中心性的非机动车道线网规划方案.

节假日公路免费政策下城际交通行为特性

由于缺乏对节假日城际出行行为及节假日高速公路免费政策实施效果的深入研究,导致一些政策产生了负面影响,造成高速公路严重拥堵.本文结合2017年春节调查数据,构建并估计分层Logit模型,研究节假日高速公路免费政策下城际交通方式和出发日期联合选择的行为特性.基于模型结果,采用弹性分析研究不同免费日期下出行者行为特性,并通过场景仿真评价多种免费时段设置方案对城际交通出行结构和高峰日交通量的影响.结果表明,出行结构和高峰日交通量对不同免费日期的敏感度不同,有必要对免费时段设置进行讨论.推荐分时优惠政策,在有效调整出行结构的情况下,能避免加剧高峰日的交通拥堵.

城市建成环境影响下通勤时间和距离联合建模研究

为研究城市建成环境对居民日常通勤行为的影响,考虑通勤时间和通勤距离在建模时扰动项之间的相关性,建立似不相关回归模型,从宏观城市形态的角度出发,同时分析城市建成环境对居民通勤时间和通勤距离的影响,并基于2014年中国通勤数据进行实证研究.结果表明:似不相关回归模型比线性回归模型拟合效果更好;城市化率、常住人口、人口密度、GDP、是否有地铁对通勤距离和通勤时间的影响都呈显著的正向影响,土地利用混合度对通勤距离和通勤时间有显著的负效应,而万人拥有公共汽车数仅对通勤时间呈显著的正效应,空间聚集度和人均道路面积分别对通勤距离和通勤时间有显著的负向影响.

基于区块多源时空数据的道路网密度预测模型

城市化进程与人口增速的不协调导致了城市蔓延现象,为科学合理地统筹引导道路建设,缓解城市蔓延引发的交通拥堵和环境污染,需要对建成区的道路网指标进行精细化管理.以道路网密度为例,考虑道路建设进度和政策实施惯性,构建基于深度学习的区块化时空数据预测模型BiConvlstm2DNet,与之对应地构造基于区块的多源数据融合流程,并以某市为例进行实验.将该市时序的土地覆盖、人口和道路网拓扑结构融合为时空多源数据集,而后在数据集上将本模型同其他经典预测模型进行参数标定和对比.研究结果表明,BiConvlstm2DNet在该数据集上得到的准确率为91.5%,较支持向量回归和随机森林回归等模型的准确率平均提升了8.0%,是一种分区块预测建成区道路网指标的可靠模型.

基于SMOTE-CatBoost的国省道机动车死亡交通事故特征研究

为降低国省道机动车交通事故严重程度,提取出国省道机动车死亡交通事故的显著特征,提出1种基于SMOTE-CatBoost模型的交通事故显著特征研究方法,对2016—2020年N市国省道机动车交通事故特征进行研究。首先,根据基础数据集的不平衡分布情况采用SMOTE平衡算法形成平衡数据集以训练机器学习模型;其次,选用CatBoost模型构建国省道机动车交通事故预测模型;最后,采用SHAP可解释性算法挖掘国省道机动车死亡交通事故各个特征与事故的关联程度。结果表明:CatBoost模型的综合性能优于其余4种机器学习模型,其准确率、召回率、F1分数、AUC值分别比排名第2模型高8.5%、7.45%、7.09%、7.47%;死亡交通事故中显著特征有驾驶人在驾车时有其他妨碍安全驾驶行为、机动车与行人的碰撞等6种。本研究成果可为公安工作以及道路交通管理部门人员提供国省道道路死亡交通事故的显著特征,为减少死亡交通事故发生以及改善国省道道路行车环境提供一定的理论支撑。

基于梯度提升决策树的多尺度建成环境对小汽车拥有的影响

为量化不同空间尺度建成环境对居民小汽车拥有行为的影响,构建了可捕捉自变量影响程度的梯度提升迭代决策树模型。同时,考虑了城市层和社区层两个尺度建成环境特征对小汽车拥有行为的影响,并以中国劳动力动态调查的全国抽样数据为例开展了实证研究。结果表明:3个层面变量中,个体层社会经济属性是影响小汽车拥有行为的最重要因素,影响程度为53.24%,而社区层建成环境特征影响程度(30.45%)高于城市层建成环境特征(16.31%);对于各自变量而言,家庭收入是影响居民小汽车拥有行为的最重要因素(31.66%),且两个层面的建成环境特征对小汽车拥有行为的影响程度均高于1.5%。因此,为减少居民小汽车拥有量的增长,有必要同时从城市层和社区层两个层面优化城市建成环境。

基于机器学习的铁路建设间接经济效益预测

基于卷积神经网络模型(CNN)特征信息学习特点和循环神经网络模型(RNN)时间序列学习特点,构建了铁路建设项目间接经济效益两种模型,选取1952-2019年铁路、公路、航空、水运建设项目规模及客货运周转量与国民经济历史数据为训练集。结果表明:卷积神经网络预测误差率为2.32%,均方差为29915,长短时神经网络预测误差率为7.44%,均方差为70258,验证了综合运输系统最优配置可促进铁路建设项目间接经济效益提升,推荐采用卷积神经网络模型预测铁路建设项目经济效益。